Python函数调用开销主要源于栈帧分配与上下文切换，CPython不内联且无法省略栈帧；高频小函数应避免无意义封装，优先用列表推导而非map+命名函数；lru_cache仅跳过函数体执行但不省栈帧；彻底消除栈帧需C扩展或Cython内联。
函数调用开销主要来自栈帧分配和上下文切换
Python 中每次函数调用都会创建新栈帧（frame），包含局部变量、代码对象引用、异常状态等。这个过程本身不便宜，尤其在高频小函数（如循环内回调）中会明显拖慢速度。CPython 解释器不会自动内联，也不会省略栈帧——哪怕函数只有一行 return。
避免无意义的封装：用 lambda 或内联表达式替代单行函数
常见错误是把简单逻辑硬拆成命名函数，只为“可读性”或“复用”，结果引入不必要开销。比如在 map() 或列表推导中调用自定义函数：
def square(x):
return x * x
list(map(square, data)) # 比直接用 lambda 多一次栈帧
改用 lambda 或直接写表达式更轻量：
立即学习“Python免费学习笔记（深入）”；
-
list(map(lambda x: x * x, data))—— 仍需构建函数对象，但跳过命名查找和额外栈帧 -
[x * x for x in data]—— 最优，无函数调用，纯字节码循环
注意：lambda 本身不是零成本（它也是函数对象），但比命名函数少一次全局/局部名查找 + 少一层调用层级。
用 @functools.lru_cache() 抑制重复调用，而非减少单次开销
有人误以为 lru_cache 能“降低调用开销”，其实它不省栈帧，而是跳过函数体执行。适用于有重复参数的场景，比如递归或配置解析：
from functools import lru_cache@lru_cache(maxsize=128) def expensive_parse(s): return json.loads(s.strip())
关键点：
- 缓存命中时仍会进入函数、创建栈帧，但立刻
return缓存值 —— 栈帧无法跳过 - 若参数几乎不重复（如时间戳、UUID），加缓存反而增加哈希和字典查找开销
-
maxsize=None会持续增长内存，生产环境慎用
真正能消除栈帧的方案：C 扩展或 cython 内联
纯 Python 层面无法绕过栈帧机制。唯一可靠消除方式是让逻辑运行在 C 层：
- 用
cython编译带def的函数为 C 函数，再用cdef声明内联函数（cdef inline int add(int a, int b):），调用时不进 Python 栈 - 用
ctypes或cffi直接调用已编译的 C 函数，完全避开 Python 解释器调度
例如 Cython 中：
cdef inline double fast_norm(double x, double y):
return sqrt(x*x + y*y)
调用 fast_norm(3.0, 4.0) 不产生 Python 栈帧
这类优化只在热点路径（如数值计算内层循环）值得投入。日常业务逻辑里，花时间优化单次函数调用不如检查算法复杂度或 I/O 阻塞点。
